KR101852527B1 - Method for Dynamic Simulation Parameter Calibration by Machine Learning - Google Patents

Method for Dynamic Simulation Parameter Calibration by Machine Learning Download PDF

Info

Publication number
KR101852527B1
KR101852527B1 KR1020160152586A KR20160152586A KR101852527B1 KR 101852527 B1 KR101852527 B1 KR 101852527B1 KR 1020160152586 A KR1020160152586 A KR 1020160152586A KR 20160152586 A KR20160152586 A KR 20160152586A KR 101852527 B1 KR101852527 B1 KR 101852527B1
Authority
KR
South Korea
Prior art keywords
parameter
maximum likelihood
regime
likelihood estimation
hypotheses
Prior art date
Application number
KR1020160152586A
Other languages
Korean (ko)
Inventor
문일철
Original Assignee
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020160152586A priority Critical patent/KR101852527B1/en
Application granted granted Critical
Publication of KR101852527B1 publication Critical patent/KR101852527B1/en

Links

Images

Classifications

    • G06N99/005—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/06—Simulation on general purpose computers

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to a method for calibrating a dynamic simulation parameter based on machine learning performed by a computing device. The method comprises the steps of: generating a set of the N number of parameter hypotheses; obtaining result values corresponding to each of the N number of parameter hypotheses; calculating likelihoods corresponding to each of the result values; applying a Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM); obtaining regime search result values; obtaining maximum likelihood estimation data for each regime by applying a maximum likelihood estimation method based on the regime search result values; and determining a maximum likelihood parameter based on the maximum likelihood estimation data.

Description

기계학습 기반의 동적 시뮬레이션 파라미터 교정 방법{Method for Dynamic Simulation Parameter Calibration by Machine Learning}[0001] The present invention relates to a method for dynamic simulation parameter calibration,

개시된 기술은 에이전트 기반 시뮬레이션 방법에 관한 것으로서, 보다 상세하게는 기계학습을 이용하여 에이전트 기반 시뮬레이션의 파라미터를 교정하는 방법에 관한 것이다. The disclosed technique relates to an agent-based simulation method, and more particularly to a method of calibrating parameters of an agent-based simulation using machine learning.

에이전트 기반 시뮬레이션은 많은 수의 에이전트 행동이 모였을 때 볼 수 있는 전체 시스템의 비선형적 변화를 관측하는 것이다. 이러한 전체 시스템의 변화는 시뮬레이션의 초기 단계에서는 잘 관측 될 수 있는데, 시뮬레이션 설정 데이터 및 행동 모델링이 초기 단계에는 잘 교정되어 있기 때문이다. 그러나 시뮬레이션이 진행되면서, 에이전트 간의 상호작용으로 초기 단계의 교정은 현실과 동떨어지게 된다. 또한, 현실 데이터는 다양한 노이즈 및 모델에 포함되지 않은 사건에 의해서 영향을 받기 때문에, 동적으로 파라미터를 교정해주는 작업을 해야만 시뮬레이션이 지속적으로 동작하여도 현실 데이터에서 크게 차이가 나지 않는 결과를 얻을 수 있다. The agent-based simulation is to observe nonlinear changes in the overall system that can be seen when a large number of agent behaviors are gathered. Such changes in the overall system can be well observed in the early stages of the simulation because the simulation setup data and behavioral modeling are well calibrated at an early stage. However, as the simulation progresses, the calibration of the initial stage is removed from the reality due to the interaction between the agents. Also, since the real data is influenced by various noise and events not included in the model, it is necessary to perform the operation of correcting the parameters dynamically, so that even if the simulation continuously operates, .

파라미터 교정은 시뮬레이션의 지속적인 정확성 유지에 반드시 필요하나, 시뮬레이션의 매 시점마다 파라미터의 교정을 하는 것은 매우 어렵다. 더욱이, 매 시뮬레이션 시점마다 활용되는 파라미터를 변화시킨다면, 파라미터 변화가 너무 빈번할 뿐만 아니라 결과적으로 동화하고자 하는 과거 데이터를 그대로 맞추는 오버피팅(Over-fitting)에 해당할 수 있다. 한편, 현재의 시뮬레이션 파라미터 교정은 초기에만 실행하기 때문에 언더피팅(Under-fitting)에 해당할 것이다.Parameter calibration is essential to maintain the accuracy of the simulation continuously, but it is very difficult to calibrate the parameters at every point in the simulation. Furthermore, if parameters used for each simulation time are changed, it may correspond to over-fitting in which not only the parameter change is frequent, but also the past data to be assimilated as it is. On the other hand, current simulation parameter calibration will be under-fitting because it is only performed initially.

개시된 기술은 상기와 같은 종래 기술의 문제점을 해결하고자 안출된 것으로서, 특히 파라미터의 변화를 인지하여 그 변화를 가장 잘 추정하는 파라미터를 찾아내는 시뮬레이션 파라미터 교정 방법을 제공하는 것을 그 목적으로 한다. It is an object of the present invention to provide a simulation parameter calibrating method for recognizing a change in a parameter and finding a parameter that best estimates the change.

기계학습 기반의 동적 시뮬레이션 파라미터 교정 방법이 제공된다. 본 발명의 방법은, N개의 파라미터 가설 집합

Figure 112016111828743-pat00001
을 생성 단계, 상기 N개의 파라미터 가설 각각에 대하여 시뮬레이션을 k번 반복하여 실행하여 상기 N개의 파라미터 가설 각각에 대응하는 결과값들
Figure 112016111828743-pat00002
을 구하는 단계 - 여기서, t는 레짐 탐색의 유일 사례에 속하는 모든 t를 의미함 -, 상기 결과값들
Figure 112016111828743-pat00003
각각에 대응하는 우도
Figure 112016111828743-pat00004
(likelihood)를 계산하는 단계 - 여기서, c는 진화주기임), 상기 결과값들
Figure 112016111828743-pat00005
과 상기 N개의 파라미터 가설 각각에 대한 정합 데이터
Figure 112016111828743-pat00006
의 차이
Figure 112016111828743-pat00007
를 시계열 데이터로 하여, 비모수 은닉 마코프 모델(Hierarchical Dirichlet Process Hidden semi-Markov Model: HDP-HSMM)을 적용하는 단계, 상기 N개의 파라미터 가설 각각에 대하여 레짐(Regime) 탐색을 실행하여 시간대별 레짐을 구분하고, 레짐 탐색 결과값들
Figure 112016111828743-pat00008
을 구하는 단계, 상기 레짐 탐색 결과값들을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00009
를 구하는 단계, 및 상기 최우도 추정 데이터를 기초로 최우도 파라미터
Figure 112016111828743-pat00010
를 결정하는 단계를 포함할 수 있다. A machine learning based dynamic simulation parameter calibration method is provided. The method of the present invention comprises the steps of:
Figure 112016111828743-pat00001
Generating a plurality of hypotheses for each of the N parameter hypotheses by executing k simulations repeatedly for each of the N parameter hypotheses,
Figure 112016111828743-pat00002
, Where t denotes all t belonging to the unique case of regime search, and the result values
Figure 112016111828743-pat00003
Respectively.
Figure 112016111828743-pat00004
calculating a likelihood, wherein c is an evolution period,
Figure 112016111828743-pat00005
And for each of the N parameter hypotheses,
Figure 112016111828743-pat00006
Difference
Figure 112016111828743-pat00007
Applying a Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM) as time series data, performing a Regime search for each of the N parameter hypotheses to classify a time domain regime And the regime search result values
Figure 112016111828743-pat00008
And a maximum likelihood estimation method based on the regime search result values to calculate maximum likelihood estimation data per regime
Figure 112016111828743-pat00009
Calculating a maximum likelihood parameter based on the maximum likelihood estimation data,
Figure 112016111828743-pat00010
Based on the result of the determination.

일 실시예에 있어서, 상기 레짐 탐색 결과값을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터

Figure 112016111828743-pat00011
를 구하는 단계는 베타 확률 밀도 함수를 활용하여 추정 데이터를 구하는 단계를 포함할 수 있다. In one embodiment, a Maximum Likelihood Estimation method is applied based on the result of the regime search, and the maximum likelihood estimation data
Figure 112016111828743-pat00011
The step of obtaining the estimated probability density function may include obtaining the estimated data using the beta probability density function.

일 실시예에 있어서, 상기 최우도 파라미터

Figure 112016111828743-pat00012
는 0 에서 1 사이이고, 상기 k는 30일 수 있다. In one embodiment, the maximum likelihood parameter
Figure 112016111828743-pat00012
Is between 0 and 1, and k may be 30.

일 실시예에 있어서, 다음 진화 주기의 동적 파라미터를

Figure 112016111828743-pat00013
로 설정할 수 있다. In one embodiment, the dynamic parameters of the next evolutionary period
Figure 112016111828743-pat00013
.

일 실시예에 있어서, 상기 시뮬레이션 모델은 인구 분리 모델(segregation model)일 수 있다. In one embodiment, the simulation model may be a segregation model.

본 발명의 다른 실시예에 의한, 컴퓨팅 장치에 의해 수행되는 기계학습 기반의 동적 시뮬레이션 시계열 파라미터들의 교정 방법이 제공된다. 본 방법은 복수의 파라미터들에 대해서 N개의 가설 집합 생성 단계, 상기 N개의 파라미터 가설 각각에 대하여 k번 반복 시뮬레이션을 실행하여 상기 N개의 파라미터 가설 각각에 대응하는 결과값들

Figure 112016111828743-pat00014
을 구하는 단계 - 여기서, t는 레짐 탐색의 유일 사례에 속하는 모든 t를 의미함 -, 상기 결과값들
Figure 112016111828743-pat00015
각각에 대응하는 우도(likelihood)를 계산하는 단계, 상기 결과값들
Figure 112016111828743-pat00016
과 상기 파라미터 가설 각각에 대한 정합 데이터
Figure 112016111828743-pat00017
의 차이
Figure 112016111828743-pat00018
를 시계열 데이터로 하여, 비모수 은닉 마코프 모델(Hierarchical Dirichlet Process Hidden semi-Markov Model: HDP-HSMM)을 적용하는 단계, 상기 N개의 파라미터 가설 각각에 대하여 레짐(Regime) 탐색을 실행하여 시간대별 레짐을 구분하고, 레짐 탐색 결과값
Figure 112016111828743-pat00019
을 구하는 단계, 상기 레짐 탐색 결과값을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00020
를 구하는 단계, 및 상기 최우도 추정 데이터를 기초로 최우도 파라미터
Figure 112016111828743-pat00021
를 결정하는 단계를 포함하고, 상기 레짐 탐색 결과값을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00022
를 구하는 단계는 디리쉴레 확률 밀도 함수(Dirichlet Distribution)를 활용하여 추정 데이터를 구하는 단계를 포함할 수 있다. A method for calibrating machine learning based dynamic simulation time series parameters performed by a computing device is provided, in accordance with another embodiment of the present invention. The method includes generating N hypothesis sets for a plurality of parameters, performing k repetitive simulations for each of the N parameter hypotheses to obtain result values corresponding to each of the N parameter hypotheses
Figure 112016111828743-pat00014
, Where t denotes all t belonging to the unique case of regime search, and the result values
Figure 112016111828743-pat00015
Calculating a likelihood corresponding to each of the result values,
Figure 112016111828743-pat00016
And for each of the parameter hypotheses,
Figure 112016111828743-pat00017
Difference
Figure 112016111828743-pat00018
Applying a Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM) as time series data, performing a Regime search for each of the N parameter hypotheses to classify a time domain regime And the result of the search search
Figure 112016111828743-pat00019
, A maximum likelihood estimation method (Maximum Likelihood Estimation) is applied based on the result of the regime search, and the maximum likelihood estimation data
Figure 112016111828743-pat00020
Calculating a maximum likelihood parameter based on the maximum likelihood estimation data,
Figure 112016111828743-pat00021
And a maximum likelihood estimation method (maximum likelihood estimation) based on the result of the regime search,
Figure 112016111828743-pat00022
May include obtaining the estimation data using a Dirichlet distribution density function (Dirichlet distribution).

일 실시예에 있어서, 상기 최우도 파라미터

Figure 112016111828743-pat00023
는 0 에서 1 사이이고, 상기 k는 30이며, 다음 진화 주기의 동적 파라미터를
Figure 112016111828743-pat00024
로 설정하고, 상기 시뮬레이션 모델은 인구 분리 모델(segregation model)일 수 있다. In one embodiment, the maximum likelihood parameter
Figure 112016111828743-pat00023
Is between 0 and 1, k is 30, and the dynamic parameter of the next evolutionary cycle is
Figure 112016111828743-pat00024
, And the simulation model may be a segregation model.

본 발명에 따라 제공되는 다른 실시예로, 네트워크에 접속된 컴퓨터 시스템으로서, 에이전트 기반 시뮬레이션(agent based simulation)의 복수의 에이전트 행동을 모니터링하여 비선형적 변화를 관측하는 변화 인지 모듈; 및 시뮬레이션 최초 파라미터를 기준으로 N개의 파라미터 가설을 세우고, 과거 데이터와 비교가 이루어지는 기간동안, 동일한 파라미터를 공유하는 레짐(Regime, 세부 기간)을 탐지하고, 상기 N개의 파라미터 가설에 대한 레짐별 최우도 추정 데이터를 기초로 하나의 종합 파라미터 가설을 구하는 모델 진화 검증 모듈을 포함할 수 있다. In another embodiment provided in accordance with the present invention, there is provided a computer system connected to a network, comprising: a change aware module for monitoring a plurality of agent behaviors of an agent based simulation to observe nonlinear changes; N parameters hypotheses based on the simulation initial parameters are established and a regime that shares the same parameter is detected during a period in which comparison with the past data is made and the maximum permissible degree And a model evolution verification module for obtaining one comprehensive parameter hypothesis based on the estimation data.

실시예들의 특징 및 이점들은 첨부도면에 의거한 아래의 상세한 설명으로 더욱 명백해질 것이다.The features and advantages of the embodiments will become more apparent from the following detailed description based on the accompanying drawings.

실시예들에 의하면, 특히 파라미터의 변화를 인지하여 그 변화를 가장 잘 추정하는 파라미터를 찾아내는 시뮬레이션 파라미터 교정 방법을 제공할 수 있다.According to the embodiments, it is possible to provide a method for calibrating a simulation parameter, which recognizes a change in a parameter in particular and finds a parameter that best estimates the change.

도 1은 본 발명의 일 실시예에 따른 동적 시뮬레이션 파라미터 교정 과정을 도시하는 흐름도
도 2는 본 발명의 일 실시예에 따라 N이 3인 경우의 동적 시뮬레이션 파라미터 교정 과정을 가설별로 도시하는 블록 다이어그램
도 3는 본 발명의 실시예에 따라 Hierarchical Dirichlet Process Hidden semi-Markov Model (HDP-HSMM) 레짐 탐지 과정을 보여주는 개략도
도 4는 본 발명의 실시예에 따른 가설별 반복 실험을 통한 시뮬레이션 결과의 시계열 분포를 도시하는 도면
도 5는 본 발명의 실시예에 따른 세가지 파라미터 가설을 활용하여, 우도를 계산한 시계열 결과를 도시하는 그래프
도 6은 본 발명의 실시예에 따른 잠재된 파라미터 세팅에 따른 추정 파라미터를 도시하는 도면
도 7은 본 발명의 실시예에 따른 주기 반복을 통한 시뮬레이션 결과의 에러 감소율 그래프1 is a flowchart illustrating a dynamic simulation parameter calibration process according to an embodiment of the present invention.
FIG. 2 is a block diagram illustrating hypothetically the dynamic simulation parameter calibration process when N is 3 according to an embodiment of the present invention. FIG.
FIG. 3 is a schematic diagram illustrating a process of detecting a hierarchical Dirichlet process hidden semi-Markov model (HDP-HSMM) regime according to an embodiment of the present invention.
FIG. 4 is a diagram showing a time series distribution of simulation results through repeated experiments according to an embodiment of the present invention; FIG.
FIG. 5 is a graph showing a time series result of calculating likelihood using three parameter hypotheses according to an embodiment of the present invention
FIG. 6 is a diagram illustrating an estimated parameter according to a latent parameter setting according to an embodiment of the present invention; FIG.
FIG. 7 is a graph showing an error reduction rate graph of a simulation result through periodic repetition according to an embodiment of the present invention

이하, 첨부 도면을 참조하여 본 발명의 실시예에 관하여 상세히 설명한다. 이하에서는, 본 발명의 요지를 불필요하게 흐릴 우려가 있다고 판단되는 경우, 이미 공지된 기능 및 구성에 관한 구체적인 설명을 생략한다. 또한, 이하에서 설명하는 내용은 어디까지나 본 발명의 일 실시예에 관한 것일 뿐 본 발명이 이로써 제한되는 것은 아님을 알아야 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. Hereinafter, when it is determined that there is a possibility that the gist of the present invention may be unnecessarily blurred, a detailed description of known functions and configurations will be omitted. In addition, it should be understood that the following description is only an embodiment of the present invention, and the present invention is not limited thereto.

본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로 본 발명을 한정하려는 의도에서 사용된 것이 아니다. 예를 들면, 단수로 표현된 구성요소는 문맥상 명백하게 단수만을 의미하지 않는다면 복수의 구성요소를 포함하는 개념으로 이해되어야 한다. 또한, 본 발명의 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐이고, 이러한 용어의 사용에 의해 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하려는 것은 아니다.The terminology used herein is for the purpose of describing particular embodiments only and is not intended to be limiting of the present invention. For example, an element expressed in singular < Desc / Clms Page number 5 > terms should be understood as including a plurality of elements unless the context clearly dictates a singular value. In addition, in the specification of the present invention, it is to be understood that terms such as "include" or "have" are intended to specify the presence of stated features, integers, steps, operations, components, It is not intended that the use of the term exclude the presence or addition of one or more other features, numbers, steps, operations, components, parts, or combinations thereof.

본 명세서에 기재된 실시예에 있어서 '블록' 또는 '부'는 적어도 하나의 기능이나 동작을 수행하는 기능적 부분을 의미하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의 '블록' 또는 '부'는, 특정한 하드웨어로 구현될 필요가 있는 '블록' 또는 '부'를 제외하고는, 적어도 하나의 소프트웨어 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다. As used herein, the term " block " or " part " means a functional part that performs at least one function or operation, and may be implemented in hardware or software or a combination of hardware and software. Also, a plurality of 'blocks' or 'sub-units' may be embodied in at least one processor integrated with at least one software module, except for 'blocks' or 'sub-units' that need to be implemented in specific hardware .

덧붙여, 달리 정의되지 않는 한 기술적 또는 과학적인 용어를 포함하여, 본 명세서에서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의된 용어들은, 관련 기술의 문맥상 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 발명의 명세서에서 명백하게 달리 정의하지 않는 한 과도하게 제한 또는 확장하여 해석되지 않는다는 점을 알아야 한다.In addition, all terms used herein, including technical or scientific terms, unless otherwise defined, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Commonly used predefined terms are to be interpreted as having a meaning consistent with the contextual meaning of the related art and are not to be construed as being excessively limited or extended unless explicitly defined otherwise in the specification of the present invention You should know.

이하, 첨부된 도면을 참조하여, 본 발명의 실시예에 대해 구체적으로 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 동적 시뮬레이션 파라미터 교정 과정을 도시하는 흐름도이다. 1 is a flowchart illustrating a dynamic simulation parameter calibration process according to an embodiment of the present invention.

동적 파라미터 교정에 있어서, 시뮬레이션 모델을 M이라고 가정할 경우, 시뮬레이션 입력 데이터인 초기 설정 데이터(I), 출력 데이터(O), 파라미터(P)는 다음과 같은 관계를 가진다. In the dynamic parameter calibration, assuming that the simulation model is M, the initial setting data (I), the output data (O), and the parameter (P), which are simulation input data, have the following relationship.

Figure 112016111828743-pat00025
Figure 112016111828743-pat00025

이때, 출력 데이터(O)는 시계열 데이터이며, 파라미터(P)가 매 시뮬레이션 시점마다 변화한다고 가정할 경우 파라미터(P)는 시계열 데이터로 가정할 수 있다. At this time, assuming that the output data O is time-series data and that the parameter P changes at every simulation time, the parameter P can be assumed to be time-series data.

Figure 112016111828743-pat00026
를 관측결과 데이터
Figure 112016111828743-pat00027
로 변화시키고자 하는 경우,
Figure 112016111828743-pat00028
를 변경할 필요가 있는데, 이러한
Figure 112016111828743-pat00029
의 교정을 시뮬레이션 파라미터 교정이라고 한다. 본 발명은 파라미터 교정에 관한 것으로 시뮬레이션 모델(M)을 변화시키는 시뮬레이션 모델 교정 분야는 본 발명의 범위에서 제외된다.
Figure 112016111828743-pat00026
The observation result data
Figure 112016111828743-pat00027
In the case of the above-
Figure 112016111828743-pat00028
Needs to be changed.
Figure 112016111828743-pat00029
Is called simulation parameter calibration. The present invention relates to parameter calibration and the field of simulation model calibration that changes the simulation model M is excluded from the scope of the present invention.

본 발명은 N개의 파라미터 가설 집합

Figure 112016111828743-pat00030
을 생성하는 단계로부터 시작된다(S110). 여기서 c는 진화주기를 의미하며, 최초 진화주기에서 c=1로 설정된다. 첫 진화주기에서 N개의 파라미터 가설 집합
Figure 112016111828743-pat00031
은 임의로 설정될 수 있고, 그 다음 진화주기에서는 이전 진화주기의 교정된 파라미터 가설 집합
Figure 112016111828743-pat00032
에 변화를 주어 다음 주기의 가설 집합
Figure 112016111828743-pat00033
을 설정할 수 있다. 다음 주기의 가설 집합
Figure 112016111828743-pat00034
을 설정하는 것은 레짐(Regime, 세부기간) 별로 이전 주기의 파라미터 가설 집합에 랜덤 노이즈를 주거나 파라미터 가설별 우도(likelihood)의 표준편차 값을 활용하여 상한 혹은 하한으로 결정할 수 있다. 본 발명의 일 실시예에서, 우도의 표준편차에
Figure 112016111828743-pat00035
단계의 상한값과 하한값을 더하거나 빼는 것으로 다양한 가설을 확보할 수 있다. 일 실시예에서, 확보된 가설 집합의 개수(N)는 3이다. The present invention relates to a method and system
Figure 112016111828743-pat00030
(S110). ≪ / RTI > Here, c means an evolutionary cycle, and c = 1 in the first evolutionary cycle. In the first evolutionary cycle, N parameter hypothesis sets
Figure 112016111828743-pat00031
Can be arbitrarily set, and in the next evolutionary cycle, the corrected parameter hypothesis set of the previous evolutionary cycle
Figure 112016111828743-pat00032
And the following set of hypotheses
Figure 112016111828743-pat00033
Can be set. Hypothesis set of next cycle
Figure 112016111828743-pat00034
Can be determined as the upper or lower limit by giving a random noise to the parameter hypothesis set of the previous period or by using the standard deviation value of the likelihood per parameter hypothesis according to the regime (detailed period). In one embodiment of the present invention, the standard deviation of likelihood
Figure 112016111828743-pat00035
Various hypotheses can be obtained by adding or subtracting the upper and lower limits of the step. In one embodiment, the number N of hypotheses ensured is three.

복수의 가설 집합을 확보한 이후, N개의 파라미터 가설 각각에 대하여 시뮬레이션을 k번 반복하여 실행하여 상기 N개의 파라미터 가설 각각에 대응하는 결과값들

Figure 112016111828743-pat00036
을 구하게 된다(S120). 가설별로 반복 실험을 수행한 결과는
Figure 112016111828743-pat00037
의 분포를 결정하게 된다. 일 실시예에서, 정규 분포를 가정하였을 때, 가설 집합의
Figure 112016111828743-pat00038
에 대해서 평균과 분산을 구할 수 있다. After ensuring a plurality of hypothesis sets, the simulation is repeated k times for each of the N parameter hypotheses, and the resultant values corresponding to each of the N parameter hypotheses
Figure 112016111828743-pat00036
(S120). As a result of repeated experiments for each hypothesis,
Figure 112016111828743-pat00037
As shown in FIG. In one embodiment, assuming a normal distribution, the hypothesized set
Figure 112016111828743-pat00038
The mean and the variance can be obtained.

다음 단계에서, 이러한 분포를 기초로 동화하고자 하는 데이터의 관측 확률에 대한 우도

Figure 112016111828743-pat00039
(likelihood)를 계산할 수 있다. 따라서, S130단계에서 결과값들
Figure 112016111828743-pat00040
각각에 대응하는 우도
Figure 112016111828743-pat00041
(likelihood)를 계산한다. In the next step, the likelihood of observing probability of data to be animated based on this distribution
Figure 112016111828743-pat00039
(likelihood) can be calculated. Therefore, in step S130,
Figure 112016111828743-pat00040
Respectively.
Figure 112016111828743-pat00041
(likelihood).

S140단계에서, 결과값들

Figure 112016111828743-pat00042
과 N개의 파라미터 가설 각각에 대한 정합 데이터
Figure 112016111828743-pat00043
의 차이
Figure 112016111828743-pat00044
를 시계열 데이터로 하여, 비모수 은닉 마코프 모델(Hierarchical Dirichlet Process Hidden semi-Markov Model: HDP-HSMM)을 적용할 수 있다. 비모수 은닉 마코프 모델은 비모수 방식이기 때문에 사용자는 모델 선택에 직접적으로 관여하지 않아도 되며, 마코프 모델은 동적 군집모델이기 때문에 시계열을 군집으로 나누어 레짐을 제시할 수 있다. 이와 같은 레짐 탐색은 총 N번 수행되며, N개의 가설에 대한 레짐 탐색 결과는
Figure 112016111828743-pat00045
이 된다. 이 레짐 탐색 결과의 유일 사례가 전체 가설 집합을 고려한 레짐이 된다. 정리하면, N개의 파라미터 가설 각각에 대하여 레짐(Regime) 탐색을 실행하여 시간대별 레짐을 구분하고, 레짐 탐색 결과값들
Figure 112016111828743-pat00046
을 구할 수 있다(S150). In step S140,
Figure 112016111828743-pat00042
And the N parameter hypotheses,
Figure 112016111828743-pat00043
Difference
Figure 112016111828743-pat00044
Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM) can be applied as time-series data. Since the nonparametric Hidden Markov Model is a nonparametric method, the user does not have to be directly involved in model selection. The Markov model is a dynamic clustering model, so a time series can be divided into clusters to present a regime. This regime search is performed N times total, and the result of regression search for N hypotheses is
Figure 112016111828743-pat00045
. The only case of this regime search result is the regime considering the whole hypothesis set. In summary, a regime search is performed for each of the N parameter hypotheses to classify regimes by time period, and regime search result values
Figure 112016111828743-pat00046
(S150).

우도를 감안하여 최적 파라미터를 결정할 수 있다. 각 레짐별로, 가설 N 개의 우도가 결정된 후, 각 가설의 시간대별 파라미터 및 그에 해당하는 시간대별 우도에 기초하여 최적 파라미터 결정 데이터

Figure 112016111828743-pat00047
집합을 확보하게 된다. 여기서, t는 레짐 탐색의 유일 사례에 속하는 모든 t를 의미한다. 이렇게 확보된 데이터를 활용하여, 최우도 추정법(Maximum Likelihood Estimation)을 적용한다. 일 실시예에 따르면, 최우도 추정법을 적용하기 위하여, 추정하고자 하는 파라미터
Figure 112016111828743-pat00048
가 0에서 1 사이이다. 일 실시예에 따르면, 파라미터가 하나인 경우에는 베터 확률 분포를 활용할 수 있고, 파라미터가 복수인 경우 디리쉴레 확률 분포를 활용할 수 있다. The optimal parameter can be determined in consideration of the likelihood. After the hypothesis N likelihoods have been determined for each regime, the optimal parameter determination data < RTI ID = 0.0 >
Figure 112016111828743-pat00047
Thereby obtaining a set. Here, t means all t belonging to the unique case of regime search. Utilizing the data thus obtained, the maximum likelihood estimation method is applied. According to one embodiment, in order to apply the maximum likelihood estimation method,
Figure 112016111828743-pat00048
Is between 0 and 1. According to one embodiment, a Better probability distribution may be utilized when there is one parameter, and a Dirichlet probability distribution may be utilized when there are plural parameters.

정리하면, 레짐 탐색 결과값들을 기초로 최우도 추정법을 적용하여 레짐별 최우도 추정 데이터

Figure 112016111828743-pat00049
를 구하고(S160), 최우도 추정 데이터를 기초로 최우도 파라미터
Figure 112016111828743-pat00050
를 결정할 수 있다(S170). 최우도 추정법을 활용하여 정해진 확률 분포의 파라미터 추정을 한 이후, 확률 분포에서 최우도를 지니는 파라미터 값을 다음 주기의 동적 교정 파라미터
Figure 112016111828743-pat00051
)로 결정할 수 있다. 즉, 다음 진화 주기에
Figure 112016111828743-pat00052
을 적용할 수 있다(S180).In summary, the maximum likelihood estimation method is applied based on the regime search result values and the maximum likelihood estimation data
Figure 112016111828743-pat00049
(S160). Based on the maximum likelihood estimation data, the maximum likelihood parameter
Figure 112016111828743-pat00050
(S170). After making the parameter estimation of the determined probability distribution using the maximum likelihood estimation method, the parameter value having the highest degree in the probability distribution is called the dynamic correction parameter
Figure 112016111828743-pat00051
). In other words,
Figure 112016111828743-pat00052
(S180).

도 2는 본 발명의 일 실시예에 따라 N이 3인 경우의 동적 시뮬레이션 파라미터 교정 과정을 가설별로 도시하는 블록 다이어그램이다. 일 실시예에서,

Figure 112016111828743-pat00053
는 0 에서 1 사이인 경우이며, 추정하는 파라미터는 1개(P의 개수: 1)이고, 베타 확률 밀도 함수를 활용하여 최우도 추정을 수행한다. 이 경우, 가설 집합의 크기(N)가 3이고, 가설당 반복수는 30회이다. FIG. 2 is a block diagram illustrating hypothetical dynamic simulation parameter calibration process when N is 3 according to an embodiment of the present invention. Referring to FIG. In one embodiment,
Figure 112016111828743-pat00053
Is 1 to 1 (the number of P is 1), and the maximum likelihood estimation is performed using the beta probability density function. In this case, the size (N) of the hypothesis set is 3, and the number of repetitions per hypothesis is 30 times.

최초 진화주기에 대한 교정 파리미터 가설 집합

Figure 112016111828743-pat00054
을 생성한다(블록 210). 가설별로 반복 시뮬레이션을 구동하여 결과를 확보한다.
Figure 112016111828743-pat00055
에 대하여 30번의 반복 시뮬레이션을 구동하여 결과값
Figure 112016111828743-pat00056
를 구하고(블록 220-1),
Figure 112016111828743-pat00057
에 대하여 30번의 반복 시뮬레이션을 구동하여 결과값
Figure 112016111828743-pat00058
를 구하고(블록 220-2),
Figure 112016111828743-pat00059
에 대하여 30번의 반복 시뮬레이션을 구동하여 결과값
Figure 112016111828743-pat00060
를 구한다(블록 220-3). 이후 각 결과값과 정합 데이터
Figure 112016111828743-pat00061
의 차이
Figure 112016111828743-pat00062
를 시계열 데이터로 하여, 비모수 은닉 마코프 모델(Hierarchical Dirichlet Process Hidden semi-Markov Model: HDP-HSMM)을 적용하여 레짐을 판별한다(블록230-1 내지 블록 230-3). Calibration parameter hypothesis set for the first evolutionary cycle
Figure 112016111828743-pat00054
(Block 210). Run the iterative simulation for each hypothesis to secure the results.
Figure 112016111828743-pat00055
The simulation is repeated 30 times and the resultant value
Figure 112016111828743-pat00056
(Block 220-1). Then,
Figure 112016111828743-pat00057
The simulation is repeated 30 times and the resultant value
Figure 112016111828743-pat00058
(Block 220-2). Then,
Figure 112016111828743-pat00059
The simulation is repeated 30 times and the resultant value
Figure 112016111828743-pat00060
(Block 220-3). Then each result and matching data
Figure 112016111828743-pat00061
Difference
Figure 112016111828743-pat00062
As a time series data, a regime is determined by applying a Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM) (blocks 230-1 to 230-3).

전체 가설에 대한 레짐 판별을 하고, 시간대별 레짐을 구분하여 레짐 탐색 결과

Figure 112016111828743-pat00063
를 구한다(블록 240). 이후, 레짐 별 최우도 추정 데이터
Figure 112016111828743-pat00064
를 수집할 수 있다(블록 250). 다음으로, 최우도 추정에 따른
Figure 112016111828743-pat00065
각각의 확률 분포를 활용하여 다음 주기의 최우도 파라미터
Figure 112016111828743-pat00066
를 탐지할 수 있다. 반복하여 다음 진화주기(즉, 주기 2)의 교정 파리미터 가설 집합
Figure 112016111828743-pat00067
을 생성하여(블록 210), 이후 과정이 반복될 수 있다. The regime is discriminated against the whole hypothesis,
Figure 112016111828743-pat00063
(Block 240). Then, the maximum likelihood estimation data
Figure 112016111828743-pat00064
(Block 250). Next, based on the maximum likelihood estimate
Figure 112016111828743-pat00065
Using each probability distribution, the maximum likelihood parameter
Figure 112016111828743-pat00066
Can be detected. Repeatedly, the calibration parameters of the next evolutionary cycle (ie, cycle 2)
Figure 112016111828743-pat00067
(Block 210), and the process may be repeated.

도 3는 본 발명의 실시예에 따라 Hierarchical Dirichlet Process Hidden semi-Markov Model (HDP-HSMM) 레짐 탐지 과정을 보여주는 개략도이다. FIG. 3 is a schematic diagram illustrating a process of detecting a hierarchical Dirichlet process hidden semi-Markov model (HDP-HSMM) regime according to an embodiment of the present invention.

일 실시예에 있어서, 시뮬레이션 모델은 인구 분리 모델(Segregation Model)일 수 있는데, 인구 분리 모델은 하나의 시계열 파라미터를 가지며, 파라미터는 인구간의 분리 요구도 수준을 나타낸다. 분류 요구도가 높을 경우, 인구 분리가 지속적으로 변화하게 되며, 분리도가 낮을 경우, 인구 분리는 일어나지 않게 된다. 이러한 분리 요구도는 현실에서도 주기적으로 등락이 반복된다. In one embodiment, the simulation model may be a Segregation Model, where the population separation model has one time series parameter, and the parameter represents the separation demand level between populations. If classification needs are high, population separation will continue to change, and if separation is low, population separation will not occur. This separation requirement is repeatedly fluctuated periodically.

도 3에 제시된 바와 같이, 본 발명을 적용하였을 때 시뮬레이션 결과값은 아무런 파라미터 교정을 하지 않을 때에 비해, 오차율이 40%이상 감소하였음을 알 수 있다. 또한, 도 4는 본 발명의 실시예에 따른 가설별 반복 실험을 통한 시뮬레이션 결과의 시계열 분포를 도시하는 도면으로, 붉은선은 정합 데이터

Figure 112016111828743-pat00068
이고, 파란선은 가설 기준 평균값을 나타낸다. As shown in FIG. 3, when the present invention is applied, it can be seen that the error rate is reduced by 40% or more as compared with when no parameter calibration is performed. FIG. 4 is a time-series distribution of simulation results obtained by repeated hypothesis testing according to an embodiment of the present invention.
Figure 112016111828743-pat00068
And the blue line represents a hypothetical reference average value.

도 5는 본 발명의 실시예에 따른 세가지 파라미터 가설을 활용하여, 우도를 계산한 시계열 결과를 도시하는 그래프이다. 도 5에 따르며, 일부 시간대의 특정 파라미터 가설이 높은 우도를 가짐을 알 수 있다. 5 is a graph showing time series results of calculating likelihood using three parameter hypotheses according to an embodiment of the present invention. According to FIG. 5, it can be seen that certain parameter hypotheses in some time zones have high likelihood.

도 6은 파라미터 세팅에 따른 추정 파라미터를 도시하는 그래프이다. 도 6에서 붉은 선은 잠재된 파라미터 세팅이고, 파란선은 추정된 파라미터를 나타낸다. 6 is a graph showing an estimated parameter according to a parameter setting. In Figure 6, the red line is the latent parameter setting and the blue line indicates the estimated parameter.

도 7은 주기 반복을 통한 시뮬레이션 결과의 에러 감소율 그래프이다. 진화주기를 반복할수록 교정의 정확도가 증가하였으나, 주기를 6회 이상 반복하였을 때는 정확도의 차이가 거의 없음을 알 수 있다. 7 is a graph of error reduction rate of the simulation result through the periodic repetition. The accuracy of the calibration was increased as the evolutionary cycle was repeated, but it was found that there was almost no difference in accuracy when the cycle was repeated 6 times or more.

당업자라면 알 수 있듯이, 본 발명은 본 명세서에서 기술된 예시에 한정되는 것이 아니라 본 발명의 범주를 벗어나지 않는 범위 내에서 다양하게 변형, 재구성 및 대체될 수 있다. 예를 들어, 본원에 기술된 다양한 기술들은 하드웨어 또는 소프트웨어, 또는 하드웨어와 소프트웨어의 조합에 의해 구현될 수 있다. 따라서, 본원에 따른 비즈니스 모델의 거래 제공 방법 및 시스템의 특정한 양태나 부분은 범용 또는 전용 마이크로프로세서, 마이크로-컨트롤러 등에 의해 실행 가능한 하나 이상의 컴퓨터 프로그램으로 구현될 수 있다. As will be appreciated by those skilled in the art, the present invention is not limited to the examples described herein, but may be variously modified, rearranged, and replaced without departing from the scope of the present invention. For example, the various techniques described herein may be implemented in hardware or software, or a combination of hardware and software. Thus, certain aspects or portions of the transaction delivery method and system of a business model according to the present disclosure may be implemented with one or more computer programs executable by a general purpose or special purpose microprocessor, micro-controller, or the like.

본 발명의 일 실시예에 따른 컴퓨터 프로그램은, 컴퓨터 프로세서 등에 의해 판독 가능한 저장 매체, 예컨대 EPROM, EEPROM, 플래시 메모리장치와 같은 비휘발성 메모리, 내장형 하드 디스크와 착탈식 디스크 같은 자기 디스크, 광자기 디스크, 및 CDROM 디스크 등을 포함한 다양한 유형의 저장 매체에 저장된 형태로 구현될 수 있다. 또한, 프로그램 코드(들)는 어셈블리어나 기계어로 구현될 수 있고, 전기 배선이나 케이블링, 광섬유, 또는 기타 임의의 다른 형태의 전송 매체를 통해 전송되는 형태로 구현될 수도 있다. A computer program according to an embodiment of the present invention may be stored in a storage medium readable by a computer processor or the like such as a nonvolatile memory such as EPROM, EEPROM, flash memory device, a magnetic disk such as an internal hard disk and a removable disk, CDROM disks, and the like. Also, the program code (s) may be implemented in assembly language or machine language, and may be implemented in a form that is transmitted over electrical wiring or cabling, optical fiber, or any other form of transmission medium.

본 발명의 진정한 사상 및 범주에 속하는 모든 변형 및 변경을 이하의 특허청구범위에 의해 모두 포괄하고자 한다.And all changes and modifications that fall within the true spirit and scope of the present invention are intended to be embraced by the following claims.

S110 ~ S180 : 단계S110 to S180:

Claims (10)

컴퓨팅 장치에 의해 수행되는 기계학습 기반의 동적 시뮬레이션 모델의 시계열 파라미터 교정 방법으로서,
N개의 파라미터 가설 집합
Figure 112016111828743-pat00069
을 생성 단계,
상기 N개의 파라미터 가설 각각에 대하여 시뮬레이션을 k번 반복하여 실행하여 상기 N개의 파라미터 가설 각각에 대응하는 결과값들
Figure 112016111828743-pat00070
을 구하는 단계 - 여기서, t는 레짐 탐색의 유일 사례에 속하는 모든 t를 의미함 -,
상기 결과값들
Figure 112016111828743-pat00071
각각에 대응하는 우도
Figure 112016111828743-pat00072
(likelihood)를 계산하는 단계 - 여기서, c는 진화주기임),
상기 결과값들
Figure 112016111828743-pat00073
과 상기 N개의 파라미터 가설 각각에 대한 정합 데이터
Figure 112016111828743-pat00074
의 차이
Figure 112016111828743-pat00075
를 시계열 데이터로 하여, 비모수 은닉 마코프 모델(Hierarchical Dirichlet Process Hidden semi-Markov Model: HDP-HSMM)을 적용하는 단계,
상기 N개의 파라미터 가설 각각에 대하여 레짐(Regime) 탐색을 실행하여 시간대별 레짐을 구분하고, 레짐 탐색 결과값들
Figure 112016111828743-pat00076
을 구하는 단계,
상기 레짐 탐색 결과값들을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00077
를 구하는 단계, 및
상기 최우도 추정 데이터를 기초로 최우도 파라미터
Figure 112016111828743-pat00078
를 결정하는 단계
를 포함하는 파라미터 교정 방법. CLAIMS What is claimed is: 1. A time series parameter correction method of a dynamic learning simulation model based on a machine learning performed by a computing device,
N parameter hypothesis sets
Figure 112016111828743-pat00069
Generating step,
The simulation is repeated k times for each of the N parameter hypotheses, and the resultant values corresponding to each of the N parameter hypotheses
Figure 112016111828743-pat00070
, Where t represents all t belonging to the unique case of regime search,
The result values
Figure 112016111828743-pat00071
Respectively.
Figure 112016111828743-pat00072
(likelihood), where c is the evolution period,
The result values
Figure 112016111828743-pat00073
And for each of the N parameter hypotheses,
Figure 112016111828743-pat00074
Difference
Figure 112016111828743-pat00075
Applying a Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM) as time series data,
Regimes are searched for each of the N parameter hypotheses to classify regimes by time period, and regime search result values
Figure 112016111828743-pat00076
, ≪ / RTI >
Based on the regime search result values, a maximum likelihood estimation method (maximum likelihood estimation)
Figure 112016111828743-pat00077
; And
Based on the maximum likelihood estimation data, a maximum likelihood parameter
Figure 112016111828743-pat00078
≪ / RTI >
. 제1항에 있어서,
상기 레짐 탐색 결과값을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00079
를 구하는 단계는 베타 확률 밀도 함수를 활용하여 추정 데이터를 구하는 단계를 포함하는 파라미터 교정 방법. The method according to claim 1,
The maximum likelihood estimation method (maximum likelihood estimation) is applied based on the result of the regime search,
Figure 112016111828743-pat00079
Obtaining the estimated data using a beta probability density function. 제1항에 있어서,
상기 최우도 파라미터
Figure 112016111828743-pat00080
는 0 에서 1 사이이고, 상기 k는 30인 파라미터 교정 방법.The method according to claim 1,
The maximum likelihood parameter
Figure 112016111828743-pat00080
Is between 0 and 1, and k is equal to 30. 제1항에 있어서,
다음 진화 주기의 동적 파라미터를
Figure 112016111828743-pat00081
로 설정하는 파라미터 교정 방법.The method according to claim 1,
The dynamic parameters of the next evolutionary cycle
Figure 112016111828743-pat00081
The parameter calibration method. 제1항에 있어서,
상기 시뮬레이션 모델은 인구 분리 모델(segregation model)인 파라미터 교정 방법.The method according to claim 1,
Wherein the simulation model is a segregation model. 컴퓨팅 장치에 의해 수행되는 기계학습 기반의 동적 시뮬레이션 시계열 파라미터들의 교정 방법으로서,
복수의 파라미터들에 대해서 N개의 가설 집합 생성 단계,
상기 N개의 파라미터 가설 각각에 대하여 k번 반복 시뮬레이션을 실행하여 상기 N개의 파라미터 가설 각각에 대응하는 결과값들
Figure 112016111828743-pat00082
을 구하는 단계 - 여기서, t는 레짐 탐색의 유일 사례에 속하는 모든 t를 의미함 -,
상기 결과값들
Figure 112016111828743-pat00083
각각에 대응하는 우도(likelihood)를 계산하는 단계,
상기 결과값들
Figure 112016111828743-pat00084
과 상기 파라미터 가설 각각에 대한 정합 데이터
Figure 112016111828743-pat00085
의 차이
Figure 112016111828743-pat00086
를 시계열 데이터로 하여, 비모수 은닉 마코프 모델(Hierarchical Dirichlet Process Hidden semi-Markov Model: HDP-HSMM)을 적용하는 단계,
상기 N개의 파라미터 가설 각각에 대하여 레짐(Regime) 탐색을 실행하여 시간대별 레짐을 구분하고, 레짐 탐색 결과값
Figure 112016111828743-pat00087
을 구하는 단계
상기 레짐 탐색 결과값을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00088
를 구하는 단계, 및
상기 최우도 추정 데이터를 기초로 최우도
Figure 112016111828743-pat00089
파라미터를 결정하는 단계
를 포함하고,
상기 레짐 탐색 결과값을 기초로 최우도 추정법(Maximum Likelihood Estimation)을 적용하여 레짐별 최우도 추정 데이터
Figure 112016111828743-pat00090
를 구하는 단계는 디리쉴레 확률 밀도 함수(Dirichlet Distribution)를 활용하여 추정 데이터를 구하는 단계를 포함하는 파라미터 교정 방법. CLAIMS What is claimed is: 1. A method for calibrating dynamic learning time series parameters based on machine learning performed by a computing device,
N hypothesis set generation steps for a plurality of parameters,
Performing k repetitive simulations for each of the N parameter hypotheses to obtain result values corresponding to each of the N parameter hypotheses
Figure 112016111828743-pat00082
, Where t represents all t belonging to the unique case of regime search,
The result values
Figure 112016111828743-pat00083
Calculating a likelihood corresponding to each,
The result values
Figure 112016111828743-pat00084
And for each of the parameter hypotheses,
Figure 112016111828743-pat00085
Difference
Figure 112016111828743-pat00086
Applying a Hierarchical Dirichlet Process Hidden Semi-Markov Model (HDP-HSMM) as time series data,
A regime search is performed for each of the N parameter hypotheses to classify the regime by time period,
Figure 112016111828743-pat00087
≪ / RTI >
The maximum likelihood estimation method (maximum likelihood estimation) is applied based on the result of the regime search,
Figure 112016111828743-pat00088
; And
Based on the maximum likelihood estimation data,
Figure 112016111828743-pat00089
Determining a parameter
Lt; / RTI >
The maximum likelihood estimation method (maximum likelihood estimation) is applied based on the result of the regime search,
Figure 112016111828743-pat00090
Obtaining the estimated data using a Dirichlet distribution (Dirichlet distribution) function. 제6항에 있어서,
상기 최우도 파라미터
Figure 112016111828743-pat00091
는 0 에서 1 사이이고, 상기 k는 30이며, 다음 진화 주기의 동적 파라미터를
Figure 112016111828743-pat00092
로 설정하고, 시뮬레이션 모델은 인구 분리 모델(segregation model)인 파라미터 교정 방법.The method according to claim 6,
The maximum likelihood parameter
Figure 112016111828743-pat00091
Is between 0 and 1, k is 30, and the dynamic parameter of the next evolutionary cycle is
Figure 112016111828743-pat00092
, And the simulation model is a segregation model. 명령어를 수록한 컴퓨터 판독가능 기록 매체로서, 상기 명령어는 컴퓨터에 의해 실행되는 경우, 상기 컴퓨터로 하여금 제1항 내지 제7항 중 어느 한 항의 방법을 수행하도록 하는, 컴퓨터 판독가능 기록 매체. A computer-readable medium having instructions stored thereon for causing a computer to perform the method of any one of claims 1 to 7 when executed by a computer. 컴퓨터 시스템으로서,
통신 인터페이스;
프로세서; 및
데이터베이스를 포함하고,
상기 프로세서는, 제1항 내지 제7항 중 어느 한 항의 방법을 수행할 수 있는, 컴퓨터 시스템.As a computer system,
Communication interface;
A processor; And
Database,
Wherein the processor is capable of performing the method of any one of claims 1 to 7. 네트워크에 접속된 컴퓨터 시스템으로서,
에이전트 기반 시뮬레이션(agent based simulation)의 복수의 에이전트 행동을 모니터링하여 비선형적 변화를 관측하는 변화 인지 모듈; 및
시뮬레이션 최초 파라미터를 기준으로 N개의 파라미터 가설을 세우고, 과거 데이터와 비교가 이루어지는 기간동안, 동일한 파라미터를 공유하는 레짐(Regime, 세부 기간)을 탐지하고, 상기 N개의 파라미터 가설에 대한 레짐별 최우도 추정 데이터를 기초로 하나의 종합 파라미터 가설을 구하는 모델 진화 검증 모듈을 포함하는, 컴퓨터 시스템.1. A computer system connected to a network,
A change aware module for monitoring nonlinear changes by monitoring agent behavior of agent based simulations; And
N parameters hypotheses are constructed based on the simulation initial parameters and a regime that shares the same parameters is detected during the period of comparison with the past data and a maximum likelihood estimation And a model evolution verification module that obtains one synthetic parameter hypothesis based on the data.
KR1020160152586A 2016-11-16 2016-11-16 Method for Dynamic Simulation Parameter Calibration by Machine Learning KR101852527B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160152586A KR101852527B1 (en) 2016-11-16 2016-11-16 Method for Dynamic Simulation Parameter Calibration by Machine Learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160152586A KR101852527B1 (en) 2016-11-16 2016-11-16 Method for Dynamic Simulation Parameter Calibration by Machine Learning

Publications (1)

Publication Number Publication Date
KR101852527B1 true KR101852527B1 (en) 2018-06-07

Family

ID=62621446

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160152586A KR101852527B1 (en) 2016-11-16 2016-11-16 Method for Dynamic Simulation Parameter Calibration by Machine Learning

Country Status (1)

Country Link
KR (1) KR101852527B1 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190143527A (en) * 2018-06-08 2019-12-31 부산대학교 산학협력단 System and Method for Recognitioning Image Pattern using Machine Learning
WO2020105776A1 (en) * 2018-11-23 2020-05-28 한국과학기술원 Method and device for calibrating microsimulation parameters using machine learning in agent-based simulation
KR20200076323A (en) 2018-12-19 2020-06-29 한국전자통신연구원 Apparatus and method for multi-model parallel execution automation and verification on digital twin
US11182515B2 (en) 2018-11-16 2021-11-23 Doosan Heavy Industries & Construction Co., Ltd. Apparatus for diagnosing analysis and method therefor
CN115512544A (en) * 2022-09-22 2022-12-23 同济大学 Bus operation evaluation method and system based on state recognition
US11556728B2 (en) 2018-12-11 2023-01-17 Sap Se Machine learning verification procedure

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005196752A (en) * 2003-12-10 2005-07-21 Hiroshi Sato Visualizing means, modeling means, simulating means, and analyzing means of phenomenon in society, economy, and market, and realizing means of machine or computer for understanding society with autonomy
JP2016521895A (en) * 2013-06-14 2016-07-25 イー． ラリモア，ウォレス A method for forming a dynamic model for machine behavior from detected data, a system for modifying machine dynamic response characteristics

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005196752A (en) * 2003-12-10 2005-07-21 Hiroshi Sato Visualizing means, modeling means, simulating means, and analyzing means of phenomenon in society, economy, and market, and realizing means of machine or computer for understanding society with autonomy
JP2016521895A (en) * 2013-06-14 2016-07-25 イー． ラリモア，ウォレス A method for forming a dynamic model for machine behavior from detected data, a system for modifying machine dynamic response characteristics

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190143527A (en) * 2018-06-08 2019-12-31 부산대학교 산학협력단 System and Method for Recognitioning Image Pattern using Machine Learning
KR102102405B1 (en) 2018-06-08 2020-04-20 부산대학교 산학협력단 System and Method for Recognitioning Image Pattern using Machine Learning
US11182515B2 (en) 2018-11-16 2021-11-23 Doosan Heavy Industries & Construction Co., Ltd. Apparatus for diagnosing analysis and method therefor
WO2020105776A1 (en) * 2018-11-23 2020-05-28 한국과학기술원 Method and device for calibrating microsimulation parameters using machine learning in agent-based simulation
KR20200061173A (en) * 2018-11-23 2020-06-02 한국과학기술원 Method and apparatus for micro simulation parameter calibration using machine learning in agent based simulation
KR102153540B1 (en) 2018-11-23 2020-09-21 한국과학기술원 Method and apparatus for micro simulation parameter calibration using machine learning in agent based simulation
US11556728B2 (en) 2018-12-11 2023-01-17 Sap Se Machine learning verification procedure
KR20200076323A (en) 2018-12-19 2020-06-29 한국전자통신연구원 Apparatus and method for multi-model parallel execution automation and verification on digital twin
CN115512544A (en) * 2022-09-22 2022-12-23 同济大学 Bus operation evaluation method and system based on state recognition
CN115512544B (en) * 2022-09-22 2023-08-29 同济大学 Bus operation assessment method and system based on state identification

Similar Documents

Publication Publication Date Title
KR101852527B1 (en) Method for Dynamic Simulation Parameter Calibration by Machine Learning
US7243086B2 (en) Methods and systems for automatically generating provably correct computer program code
JP2019061577A (en) Abnormality determination method and program
Pauli et al. A fault tolerant implementation of multi-level Monte Carlo methods
US8954910B1 (en) Device mismatch contribution computation with nonlinear effects
JP6176979B2 (en) Project management support system
CN110909868A (en) Node representation method and device based on graph neural network model
JP2012208924A (en) Document comparison method and document comparison system based on various inter-document similarity calculation method using adaptive weighting
GB2576453A (en) A Method To Estimate The Deletability Of The Data Objects
JP6930602B2 (en) Abnormality judgment device, abnormality judgment method, and program
US10248462B2 (en) Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program
JP4265296B2 (en) Change point detection apparatus, change point detection method, and change point detection program
CN110321458B (en) Data flow analysis method and device based on control flow graph
JP2021184139A (en) Management computer, management program, and management method
CN112783747B (en) Execution time prediction method and device for application program
CN111950579A (en) Training method and training device for classification model
Baras et al. Automatic boosting of cross-product coverage using Bayesian networks
JP2019101681A (en) Quotation acquisition device, quotation acquisition method, and program
US20220230028A1 (en) Determination method, non-transitory computer-readable storage medium, and information processing device
US20160004982A1 (en) Method and system for estimating the progress and completion of a project based on a bayesian network
CN112416709B (en) Chip dynamic power consumption estimation method and device, processor chip and server
CN112699376A (en) Source code logic vulnerability detection method and device, computer equipment and storage medium
JP2013149203A (en) Optimal model estimation device, method and program
CN113313049A (en) Method, device, equipment, storage medium and computer program product for determining hyper-parameters
US7650579B2 (en) Model correspondence method and device

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant